数据分析必懂的方法——RFM模型！
涨芝士时间到！
今天来聊聊RFM模型~
背景 / Story
新一季度来临，A电商公司想要寻求新的营销机会，运营部门的员工小帆打算从用户着手，分析他们的不同特点以制定精细化的产品策略。
俗话说，分层是运营最基础的底层思维，既然要有针对性地制定产品策略，那首先要将用户进行分层。原因很简单，不同用户群体需求不同、驱动力不同，价值也自然不同，将用户“区别对待”不仅有助于推动用户增长，且能够减少资源浪费。
帮助用户分层的方法有很多，小帆选择了一个基础且广为流传的——RFM模型！
RFM模型是美国数据库营销研究所提出的一种简单实用客户分析方法，在零售、电商领域乃至整个互联网行业都有着广泛应用。
它将三个关键要素看作衡量用户价值和用户创造利益能力的标准：
1、最近一次消费时间（R）：即用户最近一次采购时间与目前时间的间隔。R值越小，用户流失几率越小，价值越大。
2、最近一段时间内消费频次（F）：即用户在限定的期间内所购买的次数。F值越大，用户价值越大。
3、最近一段时间内消费金额（M）：指用户的消费能力，通常以用户单次的平均消费金额作为衡量指标。M值越大，用户价值越大。
小帆使用 FineBI进行了RFM分析 ，通过数据对用户进行观察和分类，帮助公司针对性地制定出了相应的营销策略。
他是怎么做的呢？下面我们就以FineBI v6.0中的公共数据为例，重现小帆的操作步骤：
一 创建分析主题
1.在「我的分析」下创建「RFM模型分析」主题，选择内置公共数据中的「RFM明细数据」，点击「确定」添加数据
2.添加数据，点击「字段设置」勾选以下几个字段，点击「保存并更新」
二 计算用户消费指标
计算每个客户的平均单次消费金额、消费次数、最后一次消费距今天数。
1.对数据进行分组汇总
最近一次消费时间（R）：「DATE」的汇总方式选择「最晚时间」，可得到每个用户最近一次购买的时间；
消费次数（F）：由于有一条记录代表该用户购买了一次，所以随意拖入一个「CUSTOMERNAME」求「记录个数」即可；
平均单次消费金额（M）：「MONEY1」的汇总方式选择「平均」，可求到每个用户平均单次消费金额；
「MONEY」的汇总方式选择「求和」，可求到每个用户消费金额。
2.对字段重命名，方便之后理解
3.求最近一次消费距今的天数，新增一列计算时间差
三 计算所有用户消费指标的平均值
1.计算用户平均消费金额
1.1 新增列，计算所有用户消费总金额
1.2 新增列，计算所有用户的消费总次数
1.3 新增列，计算所有用户平均消费金额，用户平均消费金额=所有用户消费总金额/消费总次数
2.计算用户平均消费次数
3.计算最近一次消费距今平均天数
新增列，求所有用户最近一次消费距今的平均天数
四 用户消费指标评价
根据关键指标是否大于客户总体平均值水平进行评价，其中在IF(xxx>客户总体xxx平均值,1,0)中，小于总体平均的设为 0，大于总体平均的设为 1 ，使得 1 都是保持正向特征，0 保持负向特征。
1.次均消费金额评价
新增公式列「次均消费金额评价」，当用户平均单次消费金额大于用户总体平均值时，标记为 1 ，否则标记为 0 ，公式为IF(平均单次消费金额>用户平均消费金额,1,0)。
2.消费次数评价
新增公式列「消费次数评价」，当用户消费次数大于用户总体平均值时，标记为 1 ，否则标记为 0 ，公式为IF(消费次数>平均消费频次,1,0)。
3.最近一次消费距今天数评价
新增公式列「最近一次消费距今天数评价」，当用户最近消费时间距今天数小于用户总体平均值时，标记为 1 ，否则标记为 0 ，公式为IF(最近一次消费距今天数<最近一次消费距今平均天数,1,0)。
五 划分用户类型
经过上述步骤已经得到了用户各项特征值，根据以下表格即可将用户分类
具体如下：
1.添加 RFM 指标
新增公式列「RFM」，使用 CONCATENATE() 函数将 RFM 向量化值拼接起来，顺序为：最近一次消费距今天数评价、消费次数评价、次均消费金额评价。公式为CONCATENATE(最近一次消费距今天数评价,消费次数评价,次均消费金额评价)。
2.对 RFM 指标分组
效果查看
点击创建好的「RFM 分析表」进行「数据预览」，即可查看分类完成的数据
立即沟通
